严格匹配_FreeAnchor：抛弃单一的IoU匹配，更自由的anchor匹配 | NIPS 19

论文抛弃以往根据IoU硬性指定anchor和GT匹配关系的方法，提出FreeAnchor方法来进行更自由的匹配，该方法将目标检测的训练定义为最大似然估计(MLE)过程，端到端地同时学习目标分类、目标检测以及匹配关系，从实验来看，效果十分显著  

来源：晓飞的算法工程笔记 公众号

论文: FreeAnchor: Learning to Match Anchors for Visual Object Detection

• 论文地址：https://arxiv.org/abs/1909.02466v1
• 论文代码：https://github.com/zhangxiaosong18/FreeAnchor

Introduction

---

  常规的目标检测网络基于IoU来进行anchor与GT间的匹配，但会面临以下问题：

• 对于非中心特征的物体，比如细长的物体，空间上的对齐并不能保证anchor覆盖足够多的物体特征，从而造成分类和检测性能的下降。
• 当检测目标密集时，以IoU作为匹配的准则是不可行的。

  以上的问题都来源于预先设定的anchor与GT的匹配，没有考虑到网络的输出情况。为此，论文提出基于学习的匹配方法，将匹配过程定义为最大化似然估计的过程，端到端地同时学习目标分类、目标检测以及匹配关系，取得了很不错的效果，论文的主要贡献如下：

• 将检测算法的训练过程定义为最大似然估计的过程，并将手工设定anchor与GT匹配改为自由的anchor匹配，打破IoU的约束，允许GT根据最大似然的准则选择anchors。
• 定义检测定制似然，并且实现端到端的检测和分类训练机制，最大化似然能够促进网络学习如何匹配最优的anchor，并保证与NMS算法的兼容。

The Proposed Approach

---